Notre client est l'un des leaders en prestations de services d'analyse sur le marché allemand des caisses d'assurance maladie
Défis du client
Le client propose des services d'analyse à 28 des 30 premières caisses d'assurance maladie allemandes et dispose dans ses propres bases de données de
7 millions d'ensembles de données d'analyse.
Les bases de données sont complètes, représentatives, validées et de qualité garantie.
En raison de la complexité et de la taille des données groupées, les procédures standard fréquemment utilisées ne permettent pas d'identifier tous les inducteurs de coût et les caractéristiques spécifiques à des sous-groupes.
Cela s'applique également aux domaines d'analyse et questions typiques sur le marché allemand des caisses d'assurance maladie, comme :
la description et l'analyse des modèles de morbidité qui sortent du commun
l'analyse des causes d'erreur de codage et l'identification des solutions potentielles
la création de profils types de patients et clients en matière de projection des coûts
le développement d'indicateurs d'évaluation de la qualité des données dans le système MRSA
les analyses des statuts et la description analytique de groupes à risque
l'analyse, la validation et l'identification de concepts et de mesures de gestion en matière de santé
le développement d'approches d'exploitation des programmes de prévention médicale
Contribution de BearingPoint
La tâche suivante constituait le point de départ d'une première analyse HyperCube des données clients : l'identification de sous-groupes et règles permettant de prédire avec une probabilité de 90 à 95 % l'hospitalisation l'année suivante de patients atteints d'une maladie cardio-vasculaire.
Caractéristiques de l'ensemble de données à analyser :
un échantillon de 10 000 cas (diagnostics cardiovasculaires) a été analysé
le phénomène à analyser / la variable dépendante : hospitalisation l'année suivant le diagnostic cardiovasculaire
L'ensemble complexe des variables d'input inclut : l'âge, le sexe, plus de 200 variables binaires de diagnostics possibles, plus de 200 variables de prescriptions médicamenteuses et quelques agrégats de mesure
Résultats du client
Il a pu être démontré que la méthode HyperCube, soit l'identification de règles et de sous-groupes, génère une valeur ajoutée significative lors de l'analyse de données d'assurance maladie, notamment en comparaison avec les outils standard tels que SPSS ou Risk KV.
Les analyses HyperCube ont ainsi confirmé les résultats des études cliniques les plus récentes, et ce sur la seule base des données clients.
La technologie HyperCube dispose d'un fort potentiel pour les analyses supplémentaires de données d'assurance maladie dans les domaines les plus variés :
l'application d'HyperCube étendue à d'autres diagnostics spécifiques et modèles thérapeutiques
l'enrichissement des données avec des variables endogènes supplémentaires, telles que l'origine géographique ou socio-démographique
Les règles et sous-groupes identifiés offrent à toutes les caisses d'assurance maladie une base effective à partir de laquelle elles peuvent :
améliorer la gestion en matière de santé
gérer de façon optimisée les programmes de prévention
renforcer leur position face aux prestataires de service